Tensorflow 卷积神经网络与三维图像

我对将CNN应用于3D图像（即医疗数据）感兴趣。

---

TensorFlow是否已经包含此功能？

否，当前的实现是针对2D图像的（如nn.conv2d等功能）。它们支持多通道（如RGB），可以将3D图像表示为多通道2D图像（每个z切片都是一个通道），但这并不总是理想的。此外，为了使用这些方法，您需要大量的图像数据，这在医学领域通常很难获得

---

更新：TensorFlow和Theano（随后是Keras、千层面等）现在都支持上述3D操作。需要注意的是，3D操作在计算和内存方面比类似的2D操作要密集得多。

如果您想将CNN用于3D图像，一种可能的替代方法是使用此操作。 您需要将数据转换为HDF5格式。

TensorFlow现在在主分支中支持和

---

您可以将它们与5D张量一起使用，作为形状的输入：

[批次大小、深度、高度、宽度、通道]

3D卷积神经网络的TensorFlow实现已提供以下开源项目：

---

3D转置（反褶积）如何？幸运的是，有一个正在进行的项目将增加对该功能的支持。看看你是怎么变得如此擅长tensorflow的？哈哈，你的答案总是恰到好处！谢谢哈哈，我使用TensorFlow工作，因此随着时间的推移，智慧也随之而来；）这些链接现在提供404，但我不确定如何最好地更新它们。我确实发现了这个例子：它与conv2D有什么不同？在我看来，Conv3D似乎是创建batch+featuremaps的batch+image。在conv2d中，我们有带通道的图像，它创建kxWxH特征贴图。你有x张图片吗？然后x个特征图将被装箱。我错了吗？conv2d是一个四维矩阵（图像计数、通道计数、x宽度、y宽度）。conv3d操作是一个五维矩阵。是的，没错，我只想知道如果操作是相同的，老实说，我不知道如何执行操作。当我们谈论时间跨度时，这是什么意思？我们如何跨越时间维度？我知道5帧，一行叫做时间维度。（图像计数、深度、通道计数、x宽度、y宽度），此处的深度为5。表示有5个帧，例如200x200x3。那么STERID在这方面有何意义呢？